A scientific basis for restoring fish spawning habitat in the St. Clair and Detroit Rivers of the Laurentian Great Lakes
Notice bibliographique
Résumé
Loss of functional habitat in riverine systems is a global fisheries issue. Few studies, however, describe the decision‐making approach taken to abate loss of fish spawning habitat. Numerous habitat restoration efforts are underway and documentation of successful restoration techniques for spawning habitat of desirable fish species in large rivers connecting the Laurentian Great Lakes are reported here. In 2003, to compensate for the loss of fish spawning habitat in the St. Clair and Detroit Rivers that connect the Great Lakes Huron and Erie, an international partnership of state, federal, and academic scientists began restoring fish spawning habitat in both of these rivers. Using an adaptive management approach, we created 1,100 m2 of productive fish spawning habitat near Belle Isle in the Detroit River in 2004; 3,300 m2 of fish spawning habitat near Fighting Island in the Detroit River in 2008; and 4,000 m2 of fish spawning habitat in the Middle Channel of the St. Clair River in 2012. Here, we describe the adaptive‐feedback management approach that we used to guide our decision making during all phases of spawning habitat restoration, including problem identification, team building, hypothesis development, strategy development, prioritization of physical and biological imperatives, project implementation, habitat construction, monitoring of fish use of the constructed spawning habitats, and communication of research results. Numerous scientific and economic lessons learned from 10 years of planning, building, and assessing fish use of these three fish spawning habitat restoration projects are summarized in this article.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».